Analisis Sentimen Calon Gubernur DKI Jakarta 2017 Di Twitter
|
|
- Harjanti Budiaman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 32 Integer Journal, Vol 1, No 1, Maret 2016: Analisis Sentimen Calon Gubernur DKI Jakarta 2017 Di Twitter Ghulam Asrofi Buntoro Program Studi Teknik Informatika, Fakultas Teknik, Universitas Muhammadiyah Ponorogo Abstract. Jakarta Governor Election 2017 discussed in society or internet, especially Twitter. Everyone is free opine on Jakarta governor candidate 2017 so many opinions, not only positive or neutral opinion but also negative. Social media, especially Twitter now become promotions or campaigns are effective and efficient. This research is expected be useful to conduct on public opinion containing sentiment positive, neutral or negative. The method used in this study, for data preprocessing using tokenisasi, cleansing and filtering, to define class sentiment with methods Lexicon Based. For classification using Naive Bayes classifier (NBC) and Support Vector Machine (SVM). The data is 300 tweet in Indonesian by keyword AHY, Ahok, Anies. The results of research is analysis sentiment Jakarta governor candidate The highest accuracy when using the method of classification Naïve Bayes Classifier (NBC), with average 95% accuracy, 95% precision, 95% recall, TP rate 96,8% and TN rate 84,6%. Keywords: analisis sentimen, jakarta governor candidate 2017, lexicon based, naïve bayes classifier, support vector machine Abstrak. Pemilihan Gubernur DKI Jakarta 2017 ramai diperbincangkan di dunia nyata maupun dunia maya, khususnya di media sosial Twitter. Semua orang bebas berpendapat atau beropini tentang calon Gubernur DKI Jakarta 2017 sehingga memunculkan banyak opini, tidak hanya opini yang positif atau netral tapi juga yang negatif. Media sosial khususnya Twitter sekarang ini menjadi salah satu tempat promosi atau kampanye yang efektif dan efisien. Penelitian ini diharapkan dapat bermanfaat membantu untuk melakukan riset atas opini masyarakat yang mengandung sentimen positif, netral atau negatif. Metode yang digunakan dalam penelitian ini, untuk preprocessing data menggunakan tokenisasi, cleansing dan filtering, untuk menentukan class sentimen dengan metode Lexicon Based. Untuk proses klasifikasinya menggunakan metode Naïve Bayes Classifier (NBC) dan Support Vector Machine (SVM). Data yang digunakan adalah tweet dalam bahasa Indonesia dengan kata kunci AHY, Ahok, Anies, dengan jumlah dataset sebanyak 300 tweet. Hasil dari penelitian ini adalah analisis sentimen terhadap calon gubernur DKI Jakarta Akurasi tertinggi didapat saat menggunakan metode klasifikasi Naïve Bayes Classifier (NBC), dengan nilai rata-rata akurasi mencapai 95%, nilai presisi 95%, nilai recall 95% nilai TP rate 96,8% dan nilai TN rate 84,6%. Kata Kunci: analisis sentimen, calon gubernur dki jakarta 2016, lexicon based, naïve bayes classifier, support vector machine 1. Pendahuluan Pemilihan Gubernur DKI Jakarta yang akan dilangsungkan pada tahun 2017 keramaiannya sudah mulai bisa dirasakan. Jadwal rangkaian Pemilihan Gubernur DKI Jakarta sudah ditetapkan (KPU, 2016). Sejak tahapan pendaftaran dan ditetapkan calon Gubernur DKI Jakarta 2017 nama-nama calonnya mulai banyak diperbincang, baik di dunia nyata maupun dunia maya. Semua orang bebas berpendapat atau beropini tentang calon Gubernur DKI Jakarta 2017
2 Buntoro, Analisis Sentimen Calon Gubernur DKI Jakarta 2017 di Twitter 33 sehingga memunculkan banyak opini, tidak hanya opini yang positif atau netral tapi juga yang negatif. Perkembangan media yang begitu pesat, memunculkan banyak media online dari media berita sampai media sosial. Media sosial saja sudah begitu banyak, dari Facebook, Twitter, Path, Instagram, Google+, Tumblr, Linkedin dan sebagainya masih banyak lagi (Evadollzz, 2014). Media sosial sekarang ini tidak hanya digunakan sebagai sarana pertemanan, mencari teman, tapi sudah banyak digunakan untuk kegiatan lain. Promo dagangan, jual beli apa saja sampai promo partai politik atau kampanye calon calon legislative dan presiden, Media sosial khusunya Twitter sekarang ini menjadi perangkat komunikasi yang sangat populer di kalangan pengguna internet. Pada konferensi resmi pengembang Twitter Chirp 2010, perusahaan tersebut menyampaikan statistik mengenai situs dan pengguna Twitter. Statistik tersebut menyebutkan bahwa pada bulan April 2010, Twitter memiliki 106 juta akun dan sebanyak 180 juta pengunjung unik setiap bulannya. Jumlah pengguna Twitter disebutkan terus meningkat user setiap harinya (Yarrow, 2010). Digital Buzz blog suatu situs yang menyediakan statistik infografik menyebutkan data statistik yang sama. Tim sukses sebuah pasangan calon Gubernur atau kepala daerah sekarang ini bisa menghalalkan segala cara dalam mengkampanyekan calonnya. Khususnya pada setiap masa kampanye pemilihan Gubernur, atau kepala daerah ada istilah Black Campaign terutama di media sosial. Karena sekarang ini promosi, kampanye atau pencintraan tidak hanya di dunia nyata tapi juga di dunia maya. Media sosial khususnya Twitter sekarang ini menjadi salah satu tempat promosi atau kampanye yang efektif dan efisien. Analisis sentimen atau opinion mining merupakan proses memahami, mengekstrak dan mengolah data tekstual secara otomatis untuk mendapatkan informasi sentimen yang terkandung dalam suatu kalimat opini. Besarnya pengaruh dan manfaat dari analisis sentimen menyebabkan penelitian dan aplikasi berbasis analisis sentimen berkembang pesat. Bahkan di Amerika terdapat sekitar perusahaan yang memfokuskan pada layanan analisis sentimen (Huang, 2009). Pada penelitian ini Analisis sentimen dilakukan untuk melihat sebuah opini seseorang yang ditujukan kepada calon Gubernur DKI Jakarta 2017, opini itu bisa dimasukkan kategori opini positif, netral atau negatif. Besarnya sentimen yang ditujukan kepada calon Gubernur DKI Jakarta 2017 bisa dijadikan sebuah parameter kemenangan atau kekalahan seorang calon. 2. Tinjauan Pustaka Penelitian oleh (Mesut, 2012) menggunakan machine learning untuk mengklasifikasikan berita politik Turki. Penelitian ini melakukan klasifikasi sentimen terhadap berita politik Turki dan menentukan apakah berita politik Turki tersebut memiliki sentimen positif ataukah negatif. Fitur yang berbeda dari berita politik Turki tersebut diekstrak dengan algoritme machine learning Naïve Bayes Classifier (NBC), Maximum Entropy (ME) dan Support Vector Machine (SVM) untuk menghasilkan model klasifikasi. Penelitian ini memperoleh Akurasi 72,05% untuk Naïve Bayes Classifier (NBC), Akurasi 69,44% Maximum Entropy dan 66,81% untuk SVM pada penggunaan bigram. (Pak, 2010) Menggunakan emoticon untuk membangun corpus berbahasa Inggris dari Twitter dengan sentimen positif, negatif dan netral. Untuk kelas netral Pak dan Paurobek mengambil data training dari tweet akun media berbahasa Inggris. Metode yang digunakan adalah Naïve Bayes dengan n-gram. Performasi terbaik dihasilkan ketika menggunakan bigram. Penggunaan Twitter sekarang ini tidak hanya sebatas pada media sosial untuk pertemanan, akan tetapi Twitter juga digunakan sebagai alat promosi dan kampanye (Buntoro, 2016). Pengguna Twitter bebas untuk mengeluarkan pendapat dan opininya, termasuk opini tentang calon Presiden Indonesia Penelitian ini menampung pendapat dan opini masyarakat tersebut dengan membaginya menjadi lima class attribute, yaitu sangat positif, positif, netral, negative dan sangat negatif. Proses klasifikasi pada penelitian ini menggunakan metode klasifikasi Naïve Bayes Classifier (NBC) dengan preprocessing data menggunakan tokenisasi, cleansing dan filtering. Data yang digunakan adalah tweet dalam bahasa Indonesia tentang calon Presiden Indonesia 2014, dengan jumlah dataset sebanyak 900 tweet yang didistribusikan secara
3 34 Integer Journal, Vol 1, No 1, Maret 2016: merata kedalam lima class attribute. Hasil akurasi tertinggi didapatkan saat menggunakan tokenisasi n-gram, stopword list WEKA dan emoticons, yaitu dengan nilai akurasi 71,9%, nilai presisi 71,6%, nilai recall 71,9% nilai TP rate 66,1% dan nilaitn rate 65%. Penelitian menggunakan machine learning untuk mengklasifikasikan moview reviews (Pang, 2002). Penelitian ini melakukan klasifikasi sentimen terhadap review film dan menentukan apakah review film tersebut memiliki sentimen positif ataukah negatif. Fitur yang berbeda dari review tersebut diekstrak dan digunakan algoritme machine learning Naïve Bayes dan Support Vector Machine (SVM) untuk menghasilkan model klasifikasi. Mereka memperoleh akurasi antara 78,7% ketika menggunakan Naïve Bayes pada penggunaan unigram. Akurasi yang diperoleh ketika menggunakan SVM dengan unigram adalah 72,8%. (Frangky, 2008) mencoba untuk mengulangi eksperimen klasifikasi sentiment movie review oleh Pang untuk Bahasa Indonesia. Berkaitan dengan ketidaktersediaannya training corpora untuk Bahasa Indonesia, maka diaplikasikan machine translation tools untuk mentranslatasikan corpus Bahasa Inggris yang dibuat Pang yang asli ke Bahasa Indonesia dan hasil translasinya digunakan untuk train klasifikasi. Berbagai pilihan machine translation digunakan mulai dari commercial tool hingga translasi sederhana kata demi kata dan metode klasifikasi teks dicoba. Hasil akurasi rata-rata yang diperoleh untuk metode Naïve Bayes adalah 74,6% dan 75,62% untuk metode SVM. Hasil terbaik diperoleh sama dengan yang diperoleh ketika menggunakan eksperimen dalam Bahasa Inggris. 3. Metode Penelitian Langkah-langkah penelitian sesuai dengan alur penelitian adalah sebagai berikut: 1. Mengumpulkan data tweet Data tweet diambil dengan metode Crawling dari media sosial Twitter. Data yang diambil hanya tweet dalam bahasa Indonesia, yaitu 100 tweet dengan kata kunci AHY, 100 tweet dengan kata kunci Ahok, dan 100 tweet dengan kata kunci Anies. Data diambil secara acak baik dari user biasa ataupun media online di Twitter Data Tweet 0 1 AHY AHOK ANIES Gambar 1. Data tweet Tabel 1. Contoh tweet No. Data Tweet Sentimen Yang tua, yang remaja, yang muda semua dukung AHY Positif Jakarta akan dibangun Anies dengan gerakan, bukan Positif program\nhttps://t.co/jrvamsgbdh #SalamBersama #terpopuler AHY : Saya Beruntung Dapat Mpok Sylvi... Netral #MpokSylviPelayanMasyarakat Nasional Unik, Sandiaga Uno Dikira Anies Baswedan Saat Kampanye di Tanjung Priok #BeritaJitu Netral
4 Buntoro, Analisis Sentimen Calon Gubernur DKI Jakarta 2017 di Twitter 35 No. Data Tweet mnusia buta yg yobloz ahy bs krj apa klo cuma jnji mnis Kalau Ahok Menista Agama, Mayatnya Udah Tidak utuh Negatif 2. Preprocessing Data Pada tahap preprocessing, dilakukan 4 langkah sebagai berikut. 1. Seleksi komentar Pada tahap ini, dilakukan seleksi komentar yang mengandung kata atau hashtag(#) AHY, Ahok atau Anies, karena Twitter terdapat fungsi retweet, yaitu memberikan komentar terhadap tweet komentar seseorang, karena komentar tweet akan mengganggu dalam proses Analisis Sentimen tweet. Jadi dalam preprocessing ini komentar tweet dihapus. 2. Cleansing Kalimat yang didapat biasanya masih terdapat noise, yaitu kesalahan acak atau varian dalam variable terukur (Ariawan, 2014), untuk itu, kita harus menghilangkan noise tersebut. Kata yang dihilangkan adalah karakter HTML, kata kunci, ikon emosi, hashtag (#), username (@username), url ( dan (nama@website.com). 3. Parsing yaitu proses memecah dokumen menjadi sebuah kata dengan melakukan analisa terhadap kumpulan kata dengan memisahkan kata tersebut dan menentukan struktur sintaksis dari tiap kata tersebut (Putro, 2011). 4. Normalisasi Kalimat Bertujuan untuk menormalkan kalimat sehingga kalimat gaul menjadi normal (Adiyasa, 2013), sehingga bahasa gaul tersebut dapat dikenali sebagai bahasa yang sesuai dengan KBBI. Yang harus dilakukan untuk normalisasi kalimat adalah: 1. Meregangkan tanda baca (punctuation) dan symbol selain alphabet 2. Meregangkan tanda baca adalah memberikan jarak terhadap tanda baca dari kata-kata sesudah atau sebelumnya, tujuannya agar tanda baca dan symbol selain alphabet tidak menjadi satu dengan kata-kata pada saat proses tokenisasi. 3. Mengubah menjadi huruf kecil semua 4. Normalisasi kata Tabel 2. Aturan normalisasi kata Tidak Normal / Gaul Normal Akhiran -ny Akhiran nya Akhiran nk Akhiran ng Akhiran x Akhiran nya Akhiran z Akhiran s Akhiran dh Akhiran t Kata berulang: sama2 Kata berulang: sama-sama Ejaan: oe Huruf: u Ejaan: dj Huruf: j 5. Menghilangkan huruf yang berulang Ketika sedang senang atau kesal, seseorang bebas menuliskan opini berdasarkan emosinya, biasanya seseorang menuliskan dengan mengulang huruf yang sama. Contohnya: kereeen untuk mengekspresikan kesenangan. Kata berulang seperti kereeen akan di normalisasi menjadi keren. 6. Menghilangkan emoticon Ketika sedang menulis status (tweet) seseorang kadang salah atau kurang tepat dalam penggunaan emoticon, entah disengaja atau tidak banyak yang melakukannya. Contohnya: Mereka hanya bisa memfitnah karena tidak bisa ketemu fakta buruk :), kata opini fitnah tapi
5 36 Integer Journal, Vol 1, No 1, Maret 2016: emoticonnya senyum :), dengan begitu emoticon akan mengganggu dalam proses Sentiment Analysis tweet, jadi dalam proses ini emoticon dihapus atau diabaikan. Tabel 3. Emoticon, Feeling and Sentiment Emoticon Feeling Sentiment :) :-) Happy Positive :( :-( Sad Negative :D :-D Very Happy Positive D: D= Very Sad Negative *_* *.* *-* Fascinated Positive D:< D: D8 Horror, disgust, sadness Negative xd XD Laughing, big, grin Positive : = :- Straight face no expression Neutral 3. Tokenisasi Setelah normalisasi kalimat, selanjutnya kalimat tersebut dipecah kedalam token-token menggunakan pembatas atau delimiter spasi. Token yang digunakan dalam penelitian ini yaitu: N-gram: token yang terdiri dari tiga kata setiap satu token, contohnya: Daerah Khusus Ibukota. 4. Part of Speech (POS) Tagger POS tagger adalah sebuah proses untuk memberikan kelas pada sebuah kata. Dalam proses POS tagger dilakukan dengan cara parsing, kemudian ditentukan kelas tiap kata dengan menggunakan bantuan kamus yang di buat sendiri berdasarkan Kamus Besar Bahasa Indonesia (KBBI) menggunakan metode Maximum Entropy. Proses POS tagging terbagi ke dalam tiga proses yaitu pemisahan setiap token dalam dokumen dengan pengecekan setiap kata dalam dokumen, mengidentifikasi setiap kata dalam dokumen dengan pemberian jenis kata, pengecekan kata yang belum teridentifikasi terhadap bentuk imbuhan dan akhiran sehingga diperoleh kata dasar. Berdasarkan aturan linguistik pada kata diperoleh sentimen sementara. Penentuan sentimen dilakukan dengan melihat adanya kata yang mengandung opini baik yang memiliki polarity positif maupun negatif dari tweet yang sudah dilabeli kelas katanya. Kelas kata yang dipilih adalah kata sifat (adjective), kata keterangan (adverb), kata benda (noun) dan kata kerja (verb), sesuai dengan penelitian (Azhar, 2013) bahwa keempat jenis kata di atas merupakan jenis kata yang paling banyak mengandung sentimen. Dalam sistem ini jika suatu tweet terdapat kata benda (NN) pada sebelum atau setelah kata sifat (JJ) atau kata keterangan (RB) dan kata benda (memiliki polarity berlawanan dengan kata sifat atau kata keterangan maka polarity yang diperoleh berdasarkan kata sifat atau kata keterangan, karena kata sifat atau kata keterangan memberikan penegasan terhadap kata benda. (Putranti, 2014) 5. Penentuan Class Attribute Data Twitter yang sudah dilakukan Preprocessing kemudian akan ditentukan class attribute, class attribute yang dimunculkan dalam penelitian ini ada 3, diantaranya positif, netral, dan negatif. Dengan 3 class attribute ini diharapkan mampu memberi penilaian masyarakat secara akurat terhadap objek tertentu. 6. Load Dictionary Setelah dilakukan tokenisasi dan ditentukan class attribute, langkah selanjutnya adalah load dictonary. Banyak jenis kamus yang dapat digunakan, contohnya: kamus kata kunci sentimen positif (positif keywords), kamus kata kunci sentimen negatif (negatif keywords), kamus kata negasi (negation keywords), dan kamus normalisasi bahasa gaul atau alay. Berikut adalah contoh kamus dan isinya (Ariawan, 2014): 1. Positif keywords: baik, hebat, jujur, cerdas, keren. 2. Negatif keywords: bohong, korupsi, jahat, jelek. 3. Negation keywords: nggak, tidak, bukan, jauh.
6 Buntoro, Analisis Sentimen Calon Gubernur DKI Jakarta 2017 di Twitter Kamus konversi bahasa gaul ke KBBA: sp = siapa, spt = seperti, brp = berapa, hrg = harga, ciyus = serius. 7. Determine Sentiment Pada proses ini metode Lexicon Based digunakan, yaitu saat menentukan sentimen suatu kalimat opini, penentuan dilakukan dengan penjumlahan n skor polaritas kata opini p yang mengomentari fitur f. Skor polaritas suatu kata opini p akan bernilai 1 jika kata tersebut adalah kata opini positif, dan bernilai -1 jika kata tersebut adalah kata opini negatif (Liu, 2005). Setelah diketahui kata yang mengandung positif, negatif dan netral di dalam sebuah kalimat, selanjutnya dihitung bobot nilai yang terkandung dalam kalimat tersebut yang dilakukan dengan menjumlahkan nilai kata opini. Jika jumlah nilai opini dalam kalimat tersebut 1, maka nilai sentimen dari kalimat tersebut adalah positif, jika nilai opini dalam kalimat tersebut = 0, maka nilai sentimen dari kalimat tersebut adalah netral, jika nilai opini dalam kalimat tersebut = -1, maka nilai sentimen dari kalimat tersebut adalah negatif. Tabel 4. Determine Sentiment Sentimen Nilai Positif 1 Netral 0 Negatif Klasifikasi Masuk pada proses klasifikasi, proses ini dilakukan untuk menguji akurasi metode Lexicon Based dalam menentukan sentimen sebuah tweet opini. Proses klasifikasi menggunakan WEKA Metode klasifikasi yang digunakan dalam penelitian ini adalah Naïve Bayes Classifier (NBC) dan Support Vector Machine (SVM). Naïve Bayes Classifier (NBC) adalah metode classifier berdasarkan probabilitas dan Teorema Bayesian dengan asumsi bahwa setiap variabel X bersifat bebas (independence). Dengan kata lain, Naïve Bayesian Classifier (NBC) mengansumsikan bahwa keberadaan sebuah atribut (variabel) tidak ada kaitannya dengan beradaan atribut (variabel) yang lain. Berikut adalah Rumusnya. P(H X) = P(X H)P(H) P(X) (1) Support Vector Machine (SVM) adalah seperangkat metode pembelajaran terbimbing yang menganalisis data danmengenali pola, digunakan untuk klasifikasi dan analisis regresi. Algoritma SVM asli diciptakan oleh Vladimir Vapnik dan turunan standar saat ini (margin lunak) diusulkan oleh Corinna Cortes dan Vapnik Vladimir Gambar 2. Ilustrasi Metode Support Vector Machine (SVM) Pada proses klasifikasi data diuji dengan menggunakan metode 10 fold cross validation (Witten, 2013). Jadi dataset akan dibagi menjadi dua, yaitu 10 bagian dengan 9/10 bagian digunakan untuk proses training dan 1/10 bagian digunakan untuk proses testing. Iterasi
7 38 Integer Journal, Vol 1, No 1, Maret 2016: berlangsung 10 kali dengan variasi data training dan testing menggunakan kombinasi 10 bagian data. Gambar 3. Ilustrasi 10 fold cross validation 9. Evaluasi Hasil Melakukan evaluasi performa Akurasi, Presisi dan Recall dari eksperimen yang telah dilakuakan. Evaluasi dilakukan dengan menggunakan Confusion Matrix yaitu true positive rate (TP rate), true negative rate (TN rate), false positive rate (FP rate) dan false negative rate (FN rate) sebagai indikator. TP rate adalah persentase dari kelas positif yang berhasil diklasifikasi sebagai kelas positif, sedangkan TN rate adalah persentase dari kelas negatif yang berhasil diklasifikasi sebagai kelas negatif. FP rate adalah kelas negatif yang diklasifikasi sebagai kelas positif. FN rate adalah kelas positif yang diklasifikasi sebagai kelas negatif (Kohavi, 1998). Tabel 5. Confusion Matrix Predicted Negative Positive Actual Negative a b Positif c d 4. Uji Coba dan Pembahasan Dataset pada penelitian ini menggunakan format ARFF yang dikumpulkan dari Twitter dengan metode Crawling dari media sosial Twitter. Data yang diambil hanya tweet dalam bahasa Indonesia, yaitu tweet dengan kata kunci AHY untuk Calon Gubernur DKI Jakarta 2017 Agus Yudhoyono, Ahok untuk Calon Gubernur DKI Jakarta 2017 Basuki Tjahja Purnama dan Anies untuk Calon Gubernur DKI Jakarta 2017 Anies Baswedan. Data diambil secara acak baik dari user biasa ataupun media online di Twitter. Dataset yang digunakan sebanyak 300 Tweet, data dibagi secara seimbang (balanced) setiap kelasnya, karena dengan data yang tidak seimbang (imbalanced), klasifikasi yang dibangun memiliki kecenderungan untuk mengabaikan minority class (Kohavi, 1998). Data dibagi menjadi AHY 100 Tweet, Ahok 100 Tweet dan Anies 100 Tweet. Pemberian label dilakukan dengan metode Lexicon Based dan bantuan ahli Bahasa Indonesia. Hasil Analisis Sentimen calon Gubernur DKI Jakarta 2017 menggunakan metode Lexicon Based dengan tiga class atribut yaitu positif, netral dan negatif. Tabel 6. Hasil Analisis Sentimen metode Lexicon Based Sentimen AHY Ahok Anies Positif Netral Negatif Untuk mengetahui akurasinya, Analisis Sentimen calon Gubernur DKI Jakarta 2017 dengan metode Lexicon Based diklasifikasi menggunakan metode Naïve Bayes Classifier (NBC) dan Support Vector Machine (SVM) dengan perangkat lunak WEKA versi WEKA
8 Accuracy Precision Recall TP Rate TN Rate Accuracy Precision Recall TP Rate TN Rate Accuracy Precision Recall TP Rate TN Rate Buntoro, Analisis Sentimen Calon Gubernur DKI Jakarta 2017 di Twitter 39 menggunakan tipe dokumen Atribut-Relation File Format (ARFF) sebagai masukan untuk melakukan klasifikasi data. Hasil dari proses klasifikasi kemudian diuji dengan menggunakan metode 10 fold cross validation, data dibagi mejadi 10 bagian dengan 9/10 bagian digunakan untuk proses training dan 1/10 bagian digunakan untuk proses testing. Iterasi berlangsung 10 kali dengan variasi data training dan testing menggunakan kombinasi 10 bagian data. Perbandingan hasil dari metode klasifikasi Naïve Bayes Classifier (NBC) dengan Support Vector Machine (SVM). Tabel 7. Perbandingan Hasil Klasifikasi Naïve Bayes Classifier (NBC) Calon Gubernur Accuracy Precision Recall TP Rate TN Rate AHY ,8 84,6 Ahok 82 81, ,9 86 Anies 82 82, ,1 75 Support Vector Machine (SVM) Calon Gubernur Accuracy Precision Recall TP Rate TN Rate AHY 90 89, ,4 38,5 Ahok 84 86, ,7 98,2 Anies 87 87, ,2 75 *) Nilai Precision dan Recall meruapakan nilai rata-rata dari nilai kelas positif dan kelas negatif. Tabel 6. berisi informasi mengenai nilai akurasi, presisi, recall, TP rate dan TN rate dari masing-masing uji coba yang telah dilakukan. Bagian kolom berisi informasi mengenai calon Gubernur DKI Jakarta Sedang bagian baris berisi nilai akurasi, presisi, recall, TP rate dan TN rate dari masing-masing uji coba yang telah dilakukan. Dari proses data preprocessing menghasilkan sejumlah token yang kemudian digunakan sebagai input sebuah proses klasifikasi. Proses klasifikasi dilakukan menggunakan metode Naïve Bayes Classifier (NBC) dan Support Vector Machine (SVM). Dari proses klasifikasi diperoleh nilai akurasi, presisi, recall, TP rate dan TN rate dari masing-masing uji coba. Perbandingan Hasil Klasifikasi AHY Ahok Anies Naïve Bayes Classifier (NBC) Support Vector Machine (SVM) Gambar 4. Grafik Perbandingan Hasil Klasifikasi Dari Gambar 4. dapat dilihat bahwa nilai akurasi, presisi, recall, TP rate dan TN rate dicek dengan dua metode klasifikasi yaitu Naïve Bayes Classifier (NBC) dan Support Vector Machine (SVM). Nilai akurasi tertinggi didapat metode klasifikasi Naïve Bayes Classifier (NBC)
9 40 Integer Journal, Vol 1, No 1, Maret 2016: untuk klasifikasi data AHY, dengan nilai rata-rata akurasi mencapai 95%, nilai presisi 95%, nilai recall 95% nilai TP rate 96,8% dan nilai TN rate 84,6%. Metode klasifikasi Naïve Bayes Classifier (NBC) mendapatkan akurasi paling tinggi, metode ini cenderung lebih stabil karena berbasis probabilitas kemunculan kata dalam sebuah kalimat. Akurasi terendah saat metode klasifikasi Naïve Bayes Classifier (NBC) digunakan untuk klasifikasi data Ahok dan Anies. Nilai akurasi adalah salah satu parameter penilaian dari metode yang telah digunakan, nilai akurasi didapat dari jumlah banyaknya data yang berhasil diklasifikasi dengan benar sesuai kelas sentimennya dari seluruh jumlah data yang diklasifikasi. Dari penelitian yang telah dilakukan, diketahui bahwa hasil akurasi tertinggi didapatkan saat menggunakan metode klasifikasi Naïve Bayes Classifier (NBC) untuk klasifikasi data AHY, sedangkan untuk nilai akurasi terendah didapat saat metode klasifikasi Naïve Bayes Classifier (NBC) digunakan untuk klasifikasi data Ahok dan Anies. Meskipun menghasilkan akurasi yang cukup baik, tapi model yang dibangun masih melakukan sedikit kesalahan pada saat proses klasifikasi data yang pembagian sentimennya tidak seimbang. Karena dengan menggunakan data yang tidak seimbang akan menyebabkan data minority class yang salah diklasifikasi sebagai data majority class (Kohavi, 1998). Pada akhirnya menjadikan selisih nilai menjadi besar. 5. Kesimpulan Dari penelitian yang telah dilakukan, maka dapat ditarik kesimpulan bahwa Analisis Sentimen dapat digunakan untuk mengetahui sentimen masyarakat khususnya netizen Twitter terhadap calon Gubernur DKI Jakarta Tujuannya membantu masyarakat menentukan sentimen yang terdapat pada twit opini Bahasa Indonesia yang ada di Twitter. Setelah dilakukan analisis sentimen, terlihat berapa banyak sentimen yang ditujukan kepada calon Gubernur DKI Jakarta Nilai akurasi tertinggi didapat saat menggunakan metode klasifikasi Naïve Bayes Classifier (NBC) untuk klasifikasi data AHY, dengan nilai rata-rata akurasi mencapai 95%, nilai presisi 95%, nilai recall 95% nilai TP rate 96,8% dan nilai TN rate 84,6%. Dalam penelitian ini juga dapat diketahui metode klasifikasi Naïve Bayes Classifier (NBC) lebih tinggi akurasinya untuk klasifikasi sentimen Tweet Bahasa Indonesia dibandingkan dengan metode klasifikasi Support Vector Machine (SVM). Untuk penelitian selanjutnya perlu dicoba dikembangkan dengan menggunakan data yang lebih banyak dan Real Time. Perlu dikembangkan juga stopword list dan stemmer Bahasa Indonesia yang mampu meningkatkan akurasi dalam analisis sentimen Bahasa Indonesia. Referensi ARFF files from Text Collections. Class StringToWordVector. Vector.html. Franky dan Manurung, R., (2008). Machine Learning-based Sentiment Analysis of Automatic Indonesia n Translations of English Movie Reviews. In Proceedings of the International Conference on Advanced Computational Intelligence and Its Applications. G. A. Buntoro, T. B. Adji, and A. E. Purnamasari, (2014). Sentiment Analysis Twitter dengan Kombinasi Lexicon Based dan Double Propagation, in The 6th Conference on Information Technology and Electrical Engineering (CITEE), 2014, pp Go, A., Huang, L., & Bhayani, R. (2009). Twitter Sentiment Analysis. Final Project Report, Stanford University, Department of Computer Science. G. A. Buntoro, (2016). " Sentiment Analysis Candidates of Indonesian Presiden 2014 with Five Class Attribute" in International Journal of Computer Applications ( ), Volume 136 No.2, February Ian H. Witten. (2013) Data Mining with WEKA. Department of Computer Science University of Waikato New Zealand.
10 Buntoro, Analisis Sentimen Calon Gubernur DKI Jakarta 2017 di Twitter 41 J. Ariawan, Data Preprocessing. [Online]. Available: 8&oe=utf-8&aq=t&rls=org.mozilla:en-US:official&client=firefox-a&channel=sb. [Accessed: 10-Des-2016]. Jennifer Yang Hui (2014). Indonesian Presidential Election: Will Social Media Forecasts Prove Right? Kohavi, & Provost. (1998) Confusion Matrix KPUD DKI Jakarta (2016) Agenda Pemilihan Gubernur DKI Jakarta Liu, B., Hu, M., dan Cheng, J. (2005). Opinion observer: analyzing and comparing opinions on the Web. In Proceedings of the 14 th international conference on World Wide Web. ACM, hal Marian Radke Yarrow, John A. Clausen and Paul R. Robbins (2010). The Social Meaning of Mental Illness. Journal of Social Issues. Volume 11, Issue 4, pages 33 48, Fall Mesut Kaya, Guven Fidan, Ismail H. Toroslu (2012). Sentiment Analysis of Turkish Political News. IEEE/WIC/ACM International Conferences on Web Intelligence and Intelligent Agent Technology. M. Yusuf Nur Sumarno Putro, (2011). Analisis Sentimen pada Dokumen Berbahasa Indonesia dengan Pendekatan Support Vector Machine, masters, binus. Noviah Dwi Putranti, Edi Winarko (2014). Analisis Sentimen Twitter untuk Teks Berbahasa Indonesia dengan Maximum Entropy dan Support Vector Machine N. Adiyasa, Analisis Sentimen Pada Opini Berbahasa Indonesia Menggunakan Pendekatan Lexicon-Based, Catatan Kecil, [Online]. Available: Olson, David L.; & Delen, Dursun (2008); Advanced Data Mining Techniques, Springer, 1st edition (February 1, 2008), page 138, ISBN Pak, A., dan Paurobek, P., (2010). Twitter as a Corpus for Sentiment Analysis and Opinion Mining, Universite de Paris-Sud, Laboratoire LIMSI-CNRS. Pang, B., Lee, L., & Vithyanathan, S. (2002). Thumbs Up? Sentiment Classification Using Machine Learning Techniques. Proceedings of The ACL-02 conference on mpirical methods in natural language processing (pp ). Read, J. (2005). Using Emoticons to reduce Dependency in Machine Learning Techniques for Sentiment Classification. Meeting of the Associationfor Computational Linguistics - ACL, Tala, F. Z. (2003). A Study of Stemming Effects on Information Retrieval in Bahasa Indonesia. M.S. thesis. M.Sc. Thesis. Master of Logic Project. Institute for Logic, language and Computation. Universiteti van Amsterdam The Netherlands. Top Media Sosial [Accessed: 10-Des-2016]. Yufis Azhar, Agus Zainal Arifin, Diana Purwitasari Otomatisasi Perbandingan Produk Berdasarkan Bobot Fitur pada Teks Opini.
Sentiment Analysis Twitter dengan Kombinasi Lexicon Based dan Double Propagation
Sentiment Analysis Twitter dengan Kombinasi Lexicon Based dan Double Propagation Ghulam Asrofi Buntoro 1, Teguh Bharata Adji 2, Adhistya Erna Purnamasari 3 Jurusan Teknik Elektro FT UGM Jln. Grafika 2
Lebih terperinciANALISIS SENTIMEN HATESPEECH PADA TWITTER DENGAN METODE NAÏVE BAYES CLASSIFIER DAN SUPPORT VECTOR MACHINE
Jurnal Dinamika Informatika Volume 5, Nomor 2, September 2016 ISSN 1978-1660 ANALISIS SENTIMEN HATESPEECH PADA TWITTER DENGAN METODE Ghulam Asrofi Buntoro Program Studi Informatika Fakultas Teknik Universitas
Lebih terperinciBAB I PENDAHULUAN. untuk bisa mengeluarkan pendapat dan ekspresi secara bebas. Itu artinya perusahaan
1 BAB I PENDAHULUAN 1.1 Latar Belakang Pesatnya perkembangan media sosial menawarkan pengguna kesempatan untuk bisa mengeluarkan pendapat dan ekspresi secara bebas. Itu artinya perusahaan tidak lagi memiliki
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Menurut Liu opini merupakan pernyataan subyektif yang mencerminkan sentimen orang atau persepsi tentang entitas dan peristiwa [1]. Opini atau pendapat orang lain terhadap
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Opini adalah pendapat pribadi yang tidak obyektif dan tidak melalui proses verifikasi (Quirk et al., 1985). Opini orang lain tentang suatu hal menjadi penting dalam
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar belakang
BAB I PENDAHULUAN 1.1 Latar belakang Dalam beberapa tahun terakhir teknologi informasi dan telekomunikasi berkembang dengan pesat. Masyarakat mendapatkan manfaat dari tekonologi informasi dan telekomunikasi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
1. BAB I PENDAHULUAN 1.1 Latar Belakang website adalah salah satu layanan yang bisa digunakan untuk melakukan pencarian berbagai informasi, sehingga sangat dibutuhkan untuk keperluan pengguna dalam pencarian
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Penelitian terdahulu sangat penting bagi penulis untuk mengetahui referensi dan hubungan antara penelitian terdahulu dengan penelitian yang dilakukan saat ini, sehingga hal duplikasi
Lebih terperinciBAB I PENDAHULUAN.
BAB I PENDAHULUAN 1.1. Latar Belakang Saat ini smartphone telah berevolusi menjadi komputer pribadi kecil dan portabel yang memungkinkan pengguna untuk melakukan penjelajahan internet, mengirim e-mail
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Penelitian Terkait Penelitian terkait dengan topik analisis sentimen cukup banyak, berikut beberapa penelitian yang tekait dengan analisa sentimen yang menggunakan seleksi
Lebih terperinciAnalisis Sentimen pada Twitter untuk Mengenai Penggunaan Transportasi Umum Darat Dalam Kota dengan Metode Support Vector Machine
Analisis Sentimen pada Twitter untuk Mengenai Penggunaan Transportasi Umum Darat Dalam Kota dengan Metode Support Vector Machine Anita Novantirani 1, Mira Kania Sabariah S.T., M.T 2, Veronikha Effendy,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan media dan teknologi informasi, terutama pada perkembangan internet dan media sosial, menjadikan fungsi internet dari suatu media informasi biasa, bertambah
Lebih terperinciANALISIS SENTIMEN BERBAHASA INDONESIA DENGAN PENDEKATAN LEXICON-BASED PADA MEDIA SOSIAL
ANALISIS SENTIMEN BERBAHASA INDONESIA DENGAN PENDEKATAN LEXICON-BASED PADA MEDIA SOSIAL Adiyasa Nurfalah, Adiwijaya, Arie Ardiyanti Suryani Telkom University St. Telekomunikasi No. 1, Bandung, Indonesia
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Data yang digunakan pada penelitian ini merupakan data sentimen dari pengguna aplikasi android yang memberikan komentarnya pada fasilitas user review
Lebih terperinciBAB III METODELOGI PENELITIAN
BAB III METODELOGI PENELITIAN 3.1 Metode Penelitian Metode penelitian yang digunakan yaitu metode eksperimental dimana metode ini bekerja dengan memanipulasi dan melakukan kontrol pada objek penelitian
Lebih terperinciKLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION
KLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION Betrisandi betris.sin@gmail.com Universitas Ichsan Gorontalo Abstrak Pendapatan untuk perusahaan asuransi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis sentimen merupakan proses dalam mengolah, memahami, dan mengekstrak data dalam bentuk teks terhadap suatu topik, kejadian ataupun individu untuk mendapatkan
Lebih terperinciUji Perbandingan Akurasi Analisis Sentimen Pariwisata menggunakan Algoritma Support Vektor Machine dan Naive Bayes
Uji Perbandingan Akurasi Analisis Sentimen Pariwisata menggunakan Algoritma Support Vektor Machine dan Naive Bayes Tesis Diajukan kepada Fakultas Teknologi Informasi Untuk Memperoleh Gelar Master of Computer
Lebih terperinciANALISIS PERBANDINGAN IMPLEMENTASI KERNEL PADA LIBRARY LibSVM UNTUK KLASIFIKASI SENTIMEN MENGGUNAKAN WEKA
ANALISIS PERBANDINGAN IMPLEMENTASI KERNEL PADA LIBRARY LibSVM UNTUK KLASIFIKASI SENTIMEN MENGGUNAKAN WEKA Prawidya Destarianto 1, Wahyu Kurnia Dewanto 2, Hermawan Arief Putranto 3 1,2,3 Jurusan, Teknologi
Lebih terperinciDETEKSI SUBJEKTIFITAS TEKS BERBAHASA INDONESIA MENGGUNAKAN METODE LEXICON RULE BASED
DETEKSI SUBJEKTIFITAS TEKS BERBAHASA INDONESIA MENGGUNAKAN METODE LEXICON RULE BASED Tugas Akhir Diajukan Untuk Memenuhi Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pertumbuhan media online mendorong munculnya informasi tekstual yang tidak terbatas, sehingga muncul kebutuhan penyajian tanpa mengurangi nilai dari informasi tersebut.
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kehadiran teknologi web yang interaktif telah merubah cara orang mengekspresikan pandangan dan opininya. Saat ini pengguna dapat menulis ulasan suatu produk pada situs
Lebih terperinciPerbandingan Klasifikasi Tugas Akhir Mahasiswa Jurusan Teknik Informatika Menggunakan Metode Naïve Bayes Classifier dan K-Nearest Neighbor
Perbandingan Klasifikasi Tugas Akhir Mahasiswa Jurusan Teknik Informatika Menggunakan Metode Naïve Bayes Classifier dan K-Nearest Neighbor Yusra 1, Dhita Olivita 2, Yelfi Vitriani 3 1,2,3 Jurusan Teknik
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciANALISIS SENTIMEN DATA PRESIDEN JOKOWI DENGAN PREPROCESSING NORMALISASI DAN STEMMING MENGGUNAKAN METODE NAIVE BAYES DAN SVM. Oleh:
Jurnal Dinamika Informatika Volume 5, Nomor 1, November 2015 ANALISIS SENTIMEN DATA PRESIDEN JOKOWI DENGAN PREPROCESSING NORMALISASI DAN STEMMING MENGGUNAKAN METODE NAIVE BAYES DAN SVM Oleh: Nurirwan Saputra
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini, microblogging menjadi sangat popular untuk alat komunikasi antara pengguna internet. Setiap hari jutaan pesan muncul di website penyedia microblogging diantaranya
Lebih terperinciBAB 3 ANALISIS MASALAH DAN PERANCANGAN
BAB 3 ANALISIS MASALAH DAN PERANCANGAN 3.1 State of the Art Pada penelitian sebelumnya sudah ada yang menggunakan metode Stemming untuk preprocessing text dalam mengolah data pelatihan dan data uji untuk
Lebih terperinciLAPORAN TUGAS AKHIR. Disusun oleh: Franky
LAPORAN TUGAS AKHIR Analisis Sentimen Menggunakan Metode Naive Bayes, Maximum Entropy, dan Support Vector Machine pada Dokumen Berbahasa Inggris dan Dokumen Berbahasa Indonesia Hasil Penerjemahan Otomatis
Lebih terperinci1. BAB I PENDAHULUAN 1.1 Latar Belakang
1. BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini dunia telah memasuki era dimana masyarakat dapat secara bebas menyuarakan pendapat mereka di berbagai media, salah satunya melalui media sosial. Masyarakat
Lebih terperinciAnalisis Sentimen Twitter untuk Teks Berbahasa Indonesia dengan Maximum Entropy dan Support Vector Machine
IJCCS, Vol.8, No.1, January 2014, pp. 91~100 ISSN: 1978-1520 91 Analisis Sentimen Twitter untuk Teks Berbahasa Indonesia dengan Maximum Entropy dan Support Vector Machine Noviah Dwi Putranti* 1, Edi Winarko
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1. 1.1 Latar Belakang Perkembangan dunia telekomunikasi meningkat secara signifikan dalam kurun waktu satu dekade terahir. Tidak hanya dari segi jumlah pengguna, jenis layanan yang ditawarkanpun
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Gaya Belajar Penelitian tentang gaya belajar telah banyak dilakukan untuk dapat mengenali jenis gaya belajar dari mahasiswa. Banyak learning styles model yang telah dikembangkan
Lebih terperinciBandung, Indonesia Bandung, Indonesia
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 6353 Analisis dan Implementasi Pengklasifikasian Pesan Singkat pada Penyaringan SMS Spam Menggunakan Algoritma Multinomial Naïve
Lebih terperinciKlasifikasi Akun Prostitusi Berdasarkan Skoring Tweet
Klasifikasi Akun Prostitusi Berdasarkan Skoring Tweet Yufis Azhar Program Studi Teknik Informatika Fakultas Teknik, Universitas Muhammadiyah Malang Email : yufis.az@gmail.com ABSTRAK Keberadaan media sosial
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Meningkatnya perkembangan teknologi juga diikuti dengan berkembangnya penggunaan berbagai situs jejaring sosial. Salah satu jejaring sosial yang sangat marak digunakan
Lebih terperinciIMPLEMENTASI TWITTER SENTIMENT ANALYSIS UNTUK REVIEW FILM MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE
Jurnal Informatika Polinema ISSN: 2407-070X IMPLEMENTASI TWITTER SENTIMENT ANALYSIS UNTUK REVIEW FILM MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE Faisal Rahutomo 1, Pramana Yoga Saputra 2, Miftahul Agtamas
Lebih terperinciBAB III ANALISA DAN PERANCANGAN SISTEM
3.1 Persiapan Data BAB III ANALISA DAN PERANCANGAN SISTEM Dalam pengerjaan tugas akhir ini data yang digunakan adalah kalimat tanya Berbahasa Indonesia, dimana kalimat tanya tersebut diambil dari soal-soal
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Apa yang orang lain pikirkan telah menjadi sesuatu yang penting untuk menjadi pertimbangan dalam pengambilan keputusan (Pang and Lee, 2006). Sesuatu yang orang lain
Lebih terperinciBAB I PENDAHULUAN. memberikan dampak yang luas dalam bagaimana manusia menjalani hidupnya.
BAB I PENDAHULUAN 1. 1.1. Latar Belakang Perkembangan infrastruktur dan penggunaan teknologi informasi memberikan dampak yang luas dalam bagaimana manusia menjalani hidupnya. Salah satunya adalah perolehan
Lebih terperinciPENGUKURAN TINGKAT KEPOPULARITASAN PARTAI POLITIK DI INDONESIA BERDASARKAN DATA DARI TWITTER
PENGUKURAN TINGKAT KEPOPULARITASAN PARTAI POLITIK DI INDONESIA BERDASARKAN DATA DARI TWITTER TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah
Lebih terperinciBAB III METODOLOGI PENELITIAN. Dataset
BAB III METODOLOGI PENELITIAN Metodologi penelitian diuraikan dalam skema tahap penelitian untuk memberikan petunjuk atau gambaran yang jelas, teratur, dan sistematis seperti yang ditunjukkan pada Gambar
Lebih terperinciKLASIFIKASI FITUR DALAM DOKUMEN REVIEW PRODUK DENGAN METODE LOCAL POINTWISE MUTUAL INFORMATION
KLASIFIKASI FITUR DALAM DOKUMEN REVIEW PRODUK DENGAN METODE LOCAL POINTWISE MUTUAL INFORMATION Yufis Azhar Program Studi Teknik Informatika Fakultas Teknik, Universitas Muhammadiyah Malang Email : yufis.az@gmail.com
Lebih terperinciPENGEMBANGAN METODE EKTRAKSI FITUR DALAM PENINGKATAN HASIL PERFORMA KLASIFIKASI SENTIMEN TWITTER
PENGEMBANGAN METODE EKTRAKSI FITUR DALAM PENINGKATAN HASIL PERFORMA KLASIFIKASI SENTIMEN TWITTER Amalia Anjani A. 1) dan Aris Tjahyanto 2) 1) Program Studi Magister Sistem Informasi, Institut Teknologi
Lebih terperinciANALISIS SENTIMEN DAN KLASIFIKASI KATEGORI TERHADAP TOKOH PUBLIK PADA TWITTER
ANALISIS SENTIMEN DAN KLASIFIKASI KATEGORI TERHADAP TOKOH PUBLIK PADA TWITTER Ahmad Fathan Hidayatullah 1), Azhari SN 2) 1) Jurusan Teknik Informatika Fakultas Teknologi Industri, Universitas Islam Indonesia
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Sumber opini teks saat ini tersedia berlimpah di internet akan tetapi belum sepenuhnya dimanfaatkan karena masih kurangnya tool yang ada, sedangkan perkembangan
Lebih terperinciUKDW 1. BAB 1 PENDAHULUAN Latar Belakang Masalah
1. BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Universitas yang baik dan terpercaya selalu memperhatikan perkembangan dan kondisi yang terjadi di universitas tersebut, salah satunya dengan memantau kinerja
Lebih terperinciNur Indah Pratiwi, Widodo Universitas Negeri Jakarta ABSTRAK
Klasifikasi Dokumen Karya Akhir Mahasiswa Menggunakan Naïve Bayes Classifier (NBC) Berdasarkan Abstrak Karya Akhir Di Jurusan Teknik Elektro Universitas Negeri Jakarta Nur Indah Pratiwi, Widodo Universitas
Lebih terperinciBAB I PENDAHULUAN. dengan lingkungan sosialnya pengguna social media seringkali menceritakan
BAB I PENDAHULUAN 1.1 Latar Belakang Social media merupakan salah satu tren yang berkembang di masyarakat sebagai tempat untuk berinteraksi. Selain untuk berinteraksi dengan lingkungan sosialnya pengguna
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Text mining Menurut Feldman dan Sanger (Feldman dan Sanger, 2007), text mining dapat didefinisikan secara luas sebagai proses pengetahuan intensif yang memungkinkan pengguna berinteraksi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi dewasa ini sudah mempengaruhi kebutuhan manusia modern, hal ini ditandai dengan penggunaan teknologi disetiap aspek kehidupan manusia yang berguna
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pendidikan merupakan salah satu aspek penting di dalam kehidupan. Oleh karena itu, pendidikan mendapat perhatian besar dalam kehidupan masyarakat dan negara. Pendidikan
Lebih terperinciIMPLEMENTASI ALGORITMA SUPPORT VECTOR MACHINE (SVM) UNTUK ANALISA SENTIMEN PADA KALIMAT OPINI BERBAHASA INDONESIA TUGAS AKHIR
IMPLEMENTASI ALGORITMA SUPPORT VECTOR MACHINE (SVM) UNTUK ANALISA SENTIMEN PADA KALIMAT OPINI BERBAHASA INDONESIA TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas
Lebih terperinciANALISA SENTIMEN MENGGUNAKAN NAÏVE BAYES UNTUK MELIHAT PERSEPSI MASYARAKAT TERHADAP KENAIKAN HARGA JUAL ROKOK PADA MEDIA SOSIAL TWITTER
ANALISA SENTIMEN MENGGUNAKAN NAÏVE BAYES UNTUK MELIHAT PERSEPSI MASYARAKAT TERHADAP KENAIKAN HARGA JUAL ROKOK PADA MEDIA SOSIAL TWITTER PUBLIKASI ILMIAH Disusun sebagai salah satu syarat menyelesaikan
Lebih terperinciPENERAPAN ALGORITMA NAÏVE BAYES UNTUK DETEKSI BAKTERI E-COLI
PENERAPAN ALGORITMA NAÏVE BAYES UNTUK DETEKSI BAKTERI E-COLI Laily Hermawanti Program Studi Teknik informatika Fakultas Teknik Universitas Sultan Fatah (UNISFAT) Jl. Diponegoro 1B Jogoloyo Demak Telpon
Lebih terperinciPERBANDINGAN ALGORITMA STEMMING PADATEKS BAHASA INDONESIA
PERBANDINGAN ALGORITMA STEMMING PADATEKS BAHASA INDONESIA Sigit Prasetyo Karisma Utomo 1, Ema Utami 2, Andi Sunyoto 3 1,2,3 Magister Teknik Informatika STMIK AmikomYogyakarta e-mail: 1 aku@sigitt.com,
Lebih terperinciEKSTRAKSI OPINION HOLDER MENGGUNAKAN METODE MAXIMUM ENTROPY PADA KALIMAT OPINI BERBAHASA INDONESIA
EKSTRAKSI OPINION HOLDER MENGGUNAKAN METODE MAXIMUM ENTROPY PADA KALIMAT OPINI BERBAHASA INDONESIA TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Seiring berkembangnya teknologi informasi saat ini maka berkembang pula perangkat perangkat yang mendukung guna akses informasi yang semakin dibutuhkan dalam waktu
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. jenis dokumen, yaitu dokumen training dan dokumen uji. Kemudian dua
BAB IV HASIL DAN PEMBAHASAN 4.1. Dokumen yang digunakan Pada penelitian yang dilakukan oleh penulis ini menggunakan dua jenis dokumen, yaitu dokumen training dan dokumen uji. Kemudian dua jenis dokumen
Lebih terperinciSENTIMEN ANALYSIS TERHADAP NILAI KEPERCAYAAN SEBUAH ONLINE SHOP DI INSTAGRAM
SENTIMEN ANALYSIS TERHADAP NILAI KEPERCAYAAN SEBUAH ONLINE SHOP DI INSTAGRAM Universitas Widyatama Jalan Cikutra No. 204A Bandung yan.puspitarani@widyatama.ac.id Abstrak Instagram menjadi tempat yang menarik
Lebih terperinciTEXT MINING DALAM ANALISIS SENTIMEN ASURANSI MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER
F.7 TEXT MINING DALAM ANALISIS SENTIMEN ASURANSI MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER Luthfia Oktasari *, Yulison Herry Chrisnanto, Rezki Yuniarti Program Studi Informatika, Fakultas Matematika dan
Lebih terperinciANALISIS SENTIMEN PADA TWITTER TERHADAP JASA TRANSPORTASI ONLINE DI INDONESIA DENGAN METODE SUPPORT VECTOR MECHINE
DRAFT JURNAL ANALISIS SENTIMEN PADA TWITTER TERHADAP JASA TRANSPORTASI ONLINE DI INDONESIA DENGAN METODE SUPPORT VECTOR MECHINE SENTIMENT ANALYSIS FOR TWITTER ABOUT ONLINE INDONESIAN TRANSPORTATION WITH
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN berikut. Tahapan penelitian yang dilakukan dalam penelitian adalah sebagai Indentifikasi Masalah Merumuskan Masalah Study Literatur Perancangan : 1. Flat Teks 2. Database
Lebih terperinciSENTIMENT ANALYSIS TOKOH POLITIK PADA TWITTER
SENTIMENT ANALYSIS TOKOH POLITIK PADA TWITTER Agung Pramono 1, Rini Indriati 2, Arie Nugroho 3, 1,2,3 Sistem Informasi, Fakultas Teknik, Universitas Nusantara PGRI Kediri E-mail: 1 pramonoagung0741@gmail.com,
Lebih terperinciBAB III LANDASAN TEORI. Deteksi emosi termasuk salah satu persoalan utama dalam affective computing
BAB III LANDASAN TEORI Permasalahan yang diselesaikan dalam tesis ini adalah deteksi emosi. Deteksi emosi termasuk salah satu persoalan utama dalam affective computing (Calvo & D'Mello, 2010). Bidang penelitian
Lebih terperinciIMPLEMENTASI ALGORITMA NAÏVE BAYES CLASSIFIER DALAM KLASIFIKASI USER BERDASARKAN TWEET
IMPLEMENTASI ALGORITMA NAÏVE BAYES CLASSIFIER DALAM KLASIFIKASI USER BERDASARKAN TWEET TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang
Lebih terperinciINDEXING AND RETRIEVAL ENGINE UNTUK DOKUMEN BERBAHASA INDONESIA DENGAN MENGGUNAKAN INVERTED INDEX
INDEXING AND RETRIEVAL ENGINE UNTUK DOKUMEN BERBAHASA INDONESIA DENGAN MENGGUNAKAN INVERTED INDEX Wahyu Hidayat 1 1 Departemen Teknologi Informasi, Fakultas Ilmu Terapan, Telkom University 1 wahyuhidayat@telkomuniversity.ac.id
Lebih terperinciAplikasi Opinion Mining dengan Algoritma Naïve Bayes untuk Menilai Berita Online
Jurnal Integrasi, vol. 6, no. 1, 2014, 1-10 ISSN: 2085-3858 (print version) Article History Received 10 February 2014 Accepted 11 March 2014 Aplikasi Opinion Mining dengan Algoritma Naïve Bayes untuk Menilai
Lebih terperinciJURNAL SENTIMENT ANALYSIS TOKOH POLITIK PADA TWITTER SENTIMENT ANALYSIS POLITICAL LEADERS IN TWITTER
JURNAL SENTIMENT ANALYSIS TOKOH POLITIK PADA TWITTER SENTIMENT ANALYSIS POLITICAL LEADERS IN TWITTER Oleh: AGUNG PRAMONO PUTRO 12.1.03.03.0276 Dibimbing oleh : 1. NURSALIM, S.Pd,. MH 2. ARIE NUGROHO, S.Kom.,
Lebih terperinciMetode Klasifikasi (SVM Light dan K-NNK. NN) Dr. Taufik Fuadi Abidin, S.Si., M.Tech. Jurusan Informatika FMIPA Universitas Syiah Kuala
Metode Klasifikasi (SVM Light dan K-NNK NN) Dr. Taufik Fuadi Abidin, S.Si., M.Tech Jurusan Informatika FMIPA Universitas Syiah Kuala www.informatika.unsyiah.ac.id/tfa Alur dan Proses Cleaning Process Dokumen
Lebih terperinciBAB I PENDAHULUAN BAB I PENDAHULUAN 1.1 Latar Belakang
1 BAB I PENDAHULUAN BAB I PENDAHULUAN 1.1 Latar Belakang Intelligent agent, sebagai bagian dari kecerdasan buatan yang dapat diterapkan pada sistem dalam menyelesaikan sebuah permasalahan. Agen yang diterapkan
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN Dalam bab ini akan dijabarkan analisa, yang meliputi analisa masalah dan gambaran umum masalah yang sedang dibahas, perancangan sistem serta desain antarmuka (user interface)
Lebih terperinciIMPLEMENTASI ALGORITMA NAÏVE BAYES UNTUK EKSTRAKSI KALIMAT OPINI PADA ARTIKEL BERBAHASA INDONESIA. Tugas Akhir
IMPLEMENTASI ALGORITMA NAÏVE BAYES UNTUK EKSTRAKSI KALIMAT OPINI PADA ARTIKEL BERBAHASA INDONESIA Tugas Akhir Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah
Lebih terperinciANALISIS SENTIMEN DATA KRITIK DAN SARAN PELATIHAN APLIKASI TEKNOLOGI INFORMASI (PATI) MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE
ANALISIS SENTIMEN DATA KRITIK DAN SARAN PELATIHAN APLIKASI TEKNOLOGI INFORMASI (PATI) MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE LAPORAN TUGAS AKHIR Diajukan untuk Memenuhi Persyaratan Guna Meraih Gelar
Lebih terperinciPEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
1 BAB I PENDAHULUAN Dalam bab ini akan dibahas latar belakang dilaksanakannya penelitian, identifikasi masalah, batasan masalah, tujuan penelitian, manfaat penelitian, dan sistematika penulisan. Latar
Lebih terperinciAnalisis Sentimen Pada Data Twitter dengan Menggunakan Text Mining terhadap Suatu Produk
Analisis Sentimen Pada Data Twitter dengan Menggunakan Text Mining terhadap Suatu Produk Eka Retnawiyati 1, Fatoni, M.M.,M.Kom 2., Edi Surya Negara, M.Kom 3 1) Mahasiswa Informatika Universitas Bina Darma
Lebih terperinciUKDW BAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Dengan perkembangan teknologi yang semakin pesat, setiap orang dituntut untuk bisa memanfaatkan dengan baik perkembangan teknologi dan dapat menggunakan di dalam kehidupan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Penelitian Terkait 2.1.1. Implementasi Opinion Mining Pernah dilakukan penelitian tentang opinion mining membahas tentang ekstraksi data opini publik pada perguruan tinggi.
Lebih terperinciAnalisis Sentimen pada Opini Mahasiswa Menggunakan Natural Language Processing
Analisis Sentimen pada Opini Mahasiswa Menggunakan Natural Language Processing Aldi Nurzahputra 1, Much Aziz Muslim 2 1,2 Jurusan Ilmu Komputer, FMIPA, Universitas Negeri Semarang Email: 1 aldinurzah96@gmail.com,
Lebih terperinciBAB I PENDAHULUAN. menggunakan teknologi yang disebut dengan internet. Hal ini, secara tidak
BAB I PENDAHULUAN 1.1 Latar Belakang Berkembangnya teknologi informasi yang begitu pesat ini, banyak memberikan dampak positif maupun negatif khususnya di Indonesia. Dampak positifnya seperti, masyarakat
Lebih terperinciHERU SUSANTO Dosen Pembimbing : 1. Dr. Surya Sumpeno, ST., M.Sc. 2. Reza Fuad Rachmadi, ST., MT.
HERU SUSANTO 2209 105 030 Dosen Pembimbing : 1. Dr. Surya Sumpeno, ST., M.Sc. 2. Reza Fuad Rachmadi, ST., MT. LATAR BELAKANG Peran media jejaring sosial pada perkembangan teknologi komunikasi dan informasi;
Lebih terperinciANALISIS SENTIMEN PADA TWITTER MAHASISWA MENGGUNAKAN METODE BACKPROPAGATION
ANALISIS SENTIMEN PADA TWITTER MAHASISWA MENGGUNAKAN METODE BACKPROPAGATION Robet Habibi 1 robeth.steve@gmail.com Djoko Budiyanto Setyohadi 2 djokobdy@gmail.com Ernawati 3 ernawati@mail.uajy.ac.id Abstract
Lebih terperinciSISTEM ANALISIS SENTIMEN POSITIF DAN NEGATIF MENGGUNAKAN ALGORITMA KLASIFIKASI NAIVE BAYES PADA KASUS TOKOH PUBLIK CAPRES INDONESIA 2014
SISTEM ANALISIS SENTIMEN POSITIF DAN NEGATIF MENGGUNAKAN ALGORITMA KLASIFIKASI NAIVE BAYES PADA KASUS TOKOH PUBLIK CAPRES INDONESIA 2014 Oleh Yosafat Gerald Montalili NIM : 612006047 Skripsi Untuk melengkapi
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN Pada bagian ini akan dijelaskan tentang pendahuluan dalam penyusunan Laporan Penelitian. Pendahuluan meliputi latar belakang masalah, rumusan masalah, tujuan penelitian, batasan masalah,
Lebih terperinciANALISIS SENTIMEN TERHADAP OPINI PUBLIK MELALUI JEJARING SOSIAL TWITTER MENGGUNAKAN METODE NAIVE BAYES Alfarizy M. G. ( )
ANALISIS SENTIMEN TERHADAP OPINI PUBLIK MELALUI JEJARING SOSIAL TWITTER MENGGUNAKAN METODE NAIVE BAYES Alfarizy M. G. (0927050) Jurusan Sistem Komputer, Fakultas Teknik, Jalan Prof. Drg. Suria Sumantri
Lebih terperinciAnalisis Sentimen Menggunakan Support Vector Machine dan Maximum Entropy. Sentiment Analysis Using Support Vector Machine and Maximum Entropy Method
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.2 Agustus 2017 Page 2389 Abstrak Analisis Sentimen Menggunakan Support Vector Machine dan Maximum Entropy Sentiment Analysis Using Support Vector
Lebih terperinciBAB 3 ANALISIS KEBUTUHAN IMPLEMENTASI ALGORITMA
BAB 3 ANALISIS KEBUTUHAN IMPLEMENTASI ALGORITMA 3. Analisis Masalah Analisis masalah adalah suatu gambaran masalah yang diangkat dalam penulisan skripsi tentang Analisis sentimen pengguna twitter pada
Lebih terperinciAgus Soepriadi, 2 Meta Permata. Jurusan Teknik Informatika, STMIK Bandung, Bandung, Indonesia
Jurnal Teknologi Informasi dan Komunikasi Vol. 4 No, Juni 05 SENTIMENT ANALYSIS UNTUK MENILAI KEPUASAN MASYARAKAT TERHADAP KINERJA PEMERINTAH DAERAH MENGGUNAKAN NAIVE BAYES CLASSIFIER (STUDI KASUS: WALIKOTA
Lebih terperinciANALISIS KLASIFIKASI SENTIMEN LEVEL ASPEK MENGGUNAKAN PENDEKATAN PEMBELAJARAN SUPERVISED
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 3654 ANALISIS KLASIFIKASI SENTIMEN LEVEL ASPEK MENGGUNAKAN PENDEKATAN PEMBELAJARAN SUPERVISED ASPECT LEVEL SENTIMENT CLASSIFICATION
Lebih terperinciSentiment Analysis Model Based On Youtube Comment Using Support Vector Machine
Sentiment Analysis Model Based On Youtube Comment Using Support Vector Machine TESIS Diajukan kepada Fakultas Teknologi Informasi Untuk Memperoleh Gelar Master of Computer Science Oleh: Fiktor Imanuel
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Pertukaran informasi di zaman modern ini telah sampai pada era digital. Hal ini ditandai dengan semakin dibutuhkannya teknologi berupa komputer dan jaringan internet
Lebih terperinciBAB I PENDAHULUAN. Pada bagian awal penelitian ini dipaparkan secara lengkap latar belakang,
BAB I PENDAHULUAN Pada bagian awal penelitian ini dipaparkan secara lengkap latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, metodologi, dan sistematika penulisan. 1.1 Latar Belakang
Lebih terperinciBAB III METODOLOGI PENELITIAN
28 BAB III METODOLOGI PENELITIAN Untuk menunjang kegiatan penelitian, dalam bab ini akan dijelaskan desain penelitian, metode penelitian yang digunakan, serta alat dan bahan penelitian. 3.1 Desain Penelitian
Lebih terperinciANALISIS PENGGUNAAN ALGORITMA STEMMING VEGA PADA INFORMATION RETRIEVAL SYSTEM
ANALISIS PENGGUNAAN ALGORITMA STEMMING VEGA PADA INFORMATION RETRIEVAL SYSTEM Lusianto Marga Nugraha¹, Arie Ardiyanti Suryani², Warih Maharani³ ¹Teknik Informatika,, Universitas Telkom Abstrak Stemming
Lebih terperinciAnalisis Sentimen Tentang Opini Film Pada Dokumen Twitter Berbahasa Indonesia Menggunakan Naive Bayes Dengan Perbaikan Kata Tidak Baku
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1733-1741 http://j-ptiik.ub.ac.id Analisis Sentimen Tentang Opini Film Pada Dokumen Twitter
Lebih terperinciPENGGUNAAN METODE MULTINOMIAL NAÏVE BAYES PADA KLASIFIKASI SPAM ABSTRAK
J~ICON, Vol. 3 No. 2, Oktober 2015, pp. 106 ~ 112 106 PENGGUNAAN METODE MULTINOMIAL NAÏVE BAYES PADA KLASIFIKASI SPAM E-MAIL Tince Etlin Tallo 1, Bertha S. Djahi 2, Yulianto T. Polly 3 1,2,3 Jurusan Ilmu
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Informasi telah menjadi kebutuhan utama dalam kehidupan manusia. Informasi bisa dikatakan sebagai pengetahuan yang didapatkan dari pembelajaran, pengalaman, atau instruksi.
Lebih terperinciPERBANDINGAN KEPUASAN PENGGUNA APLIKASI CHATTING BERDASARKAN ANALISA SENTIMEN MENGGUNAKAN METODE LEXICON BASED
PERBANDINGAN KEPUASAN PENGGUNA APLIKASI CHATTING BERDASARKAN ANALISA SENTIMEN MENGGUNAKAN METODE LEXICON BASED Disusun sebagai salah satu syarat menyelesaikan Program Studi Strata I pada Jurusan Informatika
Lebih terperinciPENINGKATAN HASIL ANALISA SENTIMEN MENGGUNAKAN POS TAGGER UNTUK MELIHAT TANGGAPAN MASYARAKAT TERHADAP FULL DAY SCHOOL
PENINGKATAN HASIL ANALISA SENTIMEN MENGGUNAKAN POS TAGGER UNTUK MELIHAT TANGGAPAN MASYARAKAT TERHADAP FULL DAY SCHOOL Disusun sebagai salah satu syarat menyelesaikan Program Studi Strata I pada Jurusan
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1725-1732 http://j-ptiik.ub.ac.id Analisis Sentimen Tingkat Kepuasan Pengguna Penyedia Layanan
Lebih terperinciSpam Filtering Dengan Metode Pos Tagger Dan Klasifikasi Naïve Bayes
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.10, No.1, Februari 2016 ISSN: 0852-730X Filtering Dengan Metode Pos Tagger Dan Klasifikasi Naïve Bayes Wirawan Nathaniel Chandra 1, Gede Indrawan
Lebih terperinci